211service.com
Med en satellitbild skapar maskininlärning utsikten på marken
Leonardo da Vinci skapade berömt teckningar och målningar som visade ett fågelperspektiv av vissa områden i Italien med en detaljnivå som annars inte var möjlig förrän fotografiet och flygmaskinerna uppfanns. Faktum är att många kritiker har undrat hur han kunde ha föreställt sig dessa detaljer. Men nu arbetar forskare med det omvända problemet: givet en satellitbild av jordens yta, hur ser det området ut från marken? Hur tydlig kan en sådan konstgjord bild vara?
Idag får vi ett svar tack vare arbetet från Xueqing Deng och kollegor vid University of California, Merced. De här killarna har tränat en maskininlärningsalgoritm för att skapa bilder på marknivå helt enkelt genom att titta på satellitbilder från ovan.
Tekniken är baserad på en form av maskinintelligens som kallas ett generativt motståndsnätverk. Detta består av två neurala nätverk som kallas en generator och en diskriminator.
Generatorn skapar bilder som diskriminatorn bedömer mot några inlärda kriterier, som hur mycket de liknar giraffer. Genom att använda utsignalen från diskriminatorn lär sig generatorn gradvis att producera bilder som ser ut som giraffer.
I det här fallet tränade Deng och co diskriminatorn med hjälp av verkliga bilder av marken samt satellitbilder av den platsen. Så den lär sig hur man associerar en bild på marknivå med dess översikt.
Naturligtvis är kvaliteten på datamängden viktig. Teamet använder som marksanning LCM2015 marktäckande karta, som ger markklassen med en enkilometers upplösning för hela Storbritannien. Teamet begränsar dock data till ett 71x71 kilometer rutnät som inkluderar London och den omgivande landsbygden. För varje plats i detta rutnät laddade de ner en marknivåvy från en onlinedatabas som heter Geograph.
Teamet tränade sedan diskriminatorn med 16 000 par överliggande bilder och bilder på marknivå.
Nästa steg var att börja generera bilder på marknivå. Generatorn matades med en uppsättning av 4 000 satellitbilder av specifika platser och var tvungen att skapa marknivåvyer för varje, med hjälp av feedback från diskriminatorn. Teamet testade systemet med 4 000 overheadbilder och jämförde dem med sanningsbilderna.
Resultaten ger intressant läsning. Nätverket producerar bilder som är rimliga med tanke på overheadbilden, om de har relativt låg kvalitet. De genererade bilderna fångar markens grundläggande kvaliteter, som om den visar en väg, om marken är lantlig eller urban, och så vidare. De genererade bilderna på marknivå såg naturliga ut även om de, som förväntat, saknade detaljerna i riktiga bilder, säger Deng och co.
Det är ett snyggt knep, men hur användbart är det? En viktig uppgift för geografer är att klassificera mark efter dess användning, till exempel om det är landsbygd eller tätort.
Marknivåbilder är viktiga för detta. Men befintliga databaser tenderar att vara glesa, särskilt på landsbygden, så geografer måste interpolera mellan bilderna, en process som är lite bättre än att gissa.
Nu erbjuder Deng och cos generativa motståndsnätverk ett helt nytt sätt att bestämma markanvändning. När geografer vill veta marknivåvyn var som helst, kan de helt enkelt skapa vyn med det neurala nätverket baserat på en satellitbild.
Deng och co jämför till och med de två metoderna – interpolation kontra bildgenerering. Den nya tekniken visar sig korrekt bestämma markanvändningen 73 procent av tiden, medan interpolationsmetoden är korrekt i bara 65 procent av fallen.
Det är intressant arbete som kan göra geografernas liv enklare. Men Deng och co har större ambitioner. De hoppas kunna förbättra bildgenereringsprocessen så att den i framtiden kommer att producera ännu mer detaljer i bilderna på marknivå. Leonardo da Vinci skulle säkert bli imponerad.
Ref: https://arxiv.org/abs/1806.05129 : Hur är det där nere? Generera täta marknära vyer och bildfunktioner från överliggande bilder med hjälp av villkorliga generativa kontradiktoriska nätverk